「杂谈」Nanopore组装的拟南芥基因组效果如何？

使用的数据来自于一篇发在NC的拟南芥的基因组文章，文章用了minimap/miniasm 进行组装，然后用racon和Pilon进行polish, 最后拼接处62 contigs 且N50 = 12.3 Mb。

wget ftp://ftp.sra.ebi.ac.uk/vol1/fastq/ERR217/003/ERR2173373/ERR2173373.fastq.gz
seqkit seqkit fq2fa ERR2173373.fastq.gz | gzip -c > ERR2173373.fasta

我用的是Canu进行组装，参数如下

canu \
    -p ath -d Athaliana\
    useGrid=true \
    gridOptions="-S /bin/sh -q wangjw" \
    gridEngineArrayMaxJobs=20 \
    gridEngineThreadsOption="-pe openmpi THREADS" gridEngineMemoryOption="-l mem_free=MEMORY" \
    minReadLength=2000 maxThreads=15 maxMemory=60G \
    genomeSize=100m \
    rawErrorRate=0.300 \
    correctedErrorRate=0.100 \
    -nanopore-raw ERR2173373.fasta.gz

Canu默认Pacbi的rawErroRate是0.300， Nanopore是0.500。但是根据我在自己建立的基因组学群里的讨论，目前nanopore的单条read的错误率大概是12%，所以两条read在overlap的时候，最差估计会有24%以上的序列差异，于是我尝试设置了0.300. 但是由于Nanopore的错误率不是完全随机（经群里的小伙伴告知），所以纠错后正确率低于Pacbio, 所以我设置了0.100. 其他参数没有修改， 最终我拼出了360条contig，N50=4.45M。

我检查了下最后输出的report文件. 第一部分表明，大部分的reads都是能够overlap。

Part I

Part II 关于多少数据用于纠错，以及预期留下多少数据。默认Canu只选择最长的40X进行纠错，可以用corOutCoverage=100调整成100X. 注： rescued 表示的是剩下的没有用于纠错的read，他们可能是质粒、线粒体等。Canu保留的目的是为了避免在组装时缺失序列信息。

Part II

Part III: 省下的就是由于太短，不能用于纠错的部分。

Part III

最终结果，我还用MUMMER分析了以下共线性，代码如下，

nucmer -t  20 --prefix ont2ath Athaliana.fa ath.contigs.fasta
mummerplot -p ont2ath ont2ath.delta --png --filter

基本上每条contig都主要和一条染色体存在很好的共线性，不存在contig的mis-assembly(错误组装）现象。

共线性

下一步的计划

• 只Correction 不Trim 直接组装，比较组装效果
• 提高纠错前的错误率，保持纠错后的0.1错误，比较组装效果
• 保持纠错前的错误率，提高纠错后的错误率，比较组装效果